Ep173︱🆘

韭菜畢業班 · 2026-10-23

重點

章節

這集談到的

這一集談到的個股與題材，有 4 項在發布前 30 天內也被其他節目談到，沒有看法相反的。

各個股與題材在本集與其他節目的看法對照是會員內容。

算力焦慮、美債5%與AI家教：市場恐慌下的逆向思考與學習革命

在市場因CoreWeave債務疑慮與台股回檔而動盪之際，主持人深入探討了AI算力泡沫的虛實，並提出美債殖利率5%在當前經濟環境下的合理性。同時，節目分享了如何將AI從生產力工具轉變為私人家教，透過逆向工程、正反辯論與好奇心驅動的學習法，在恐慌中提升自我認知與投資決策力。

算力崩盤是危機還是轉機？從CoreWeave債務疑慮看AI基礎設施的投資邏輯

近期市場對於AI基礎設施的擔憂升溫，特別是針對GPU雲端運算服務商CoreWeave的債務問題。市場擔心該公司在利率高漲的環境下，借入大量資金購買晶片建設資料中心，未來若算力需求降溫或價格崩跌，將面臨無法回本的風險。主持人以自身過往參與加密貨幣挖礦的經驗比喻，指出這種「礦工睡不著覺」的焦慮，正是因為擔心「今天挖得很爽，明天早上起來會不會突然就不能挖了」。

然而，主持人認為這種擔憂可能過度。他指出，CoreWeave的資金成本並非如外傳的15%那般高昂，且目前AI算力的銷售利潤極高，甚至可能「一年之內回本」，這在硬體投資領域是極為驚人的數字。相較於過去礦工刷卡借錢買顯卡，銀行對這種大規模的AI基礎建設貸款反而更加謹慎，這反而顯示出其資產價值。

從另一個角度來看，主持人提出了一個逆向思維：若算力真的崩盤，對於終端用戶反而是好事。目前本地運行大型模型的設備動輒要價二、三十萬台幣，若算力租賃市場因競爭加劇而降價，訂閱費用可能從每月六、七千元降至三、四千元，甚至更低。這將大幅降低AI應用的門檻，讓更多人能夠「造輪子」，進而創造出下一波經濟價值與股市上漲的動能。

AI逆向工程與零日漏洞：民間AI應用狂飆，企業資安防線告急

儘管市場上仍有聲音質疑AI的實際效用，但主持人觀察到，民間AI應用早已風生水起。近期最顯著的例子是「逆向工程（REA）」的爆發。透過AI的輔助，原本需要大型團隊耗費大量資源才能完成的軟體逆向工程，現在可能只需要一個人搭配AI代理（Agent）即可完成。這使得許多原本被鎖在特定遊戲主機（如Switch、PS系列）上的獨佔遊戲，能夠被迅速移植到Mac或PC上運行，直接挑戰了傳統遊戲產業的商業模式。

除了逆向工程，AI在資安領域的影響也日益顯著。主持人分享了身邊公司客戶個資外洩的實際案例，並提及近期頻傳的「零日漏洞」攻擊。過去被認為「放著不動就不會有事」的舊系統與技術債，如今在AI代理的掃描下無所遁形。攻擊方利用AI找出漏洞並發動攻擊的期望值極高，而防守方則陷入被動且成本高昂的困境，這種「攻防雙方誘因不對等」的情況，正迫使所有企業重新審視其資安策略。

主持人強調，這些發生在民間的具體案例，證明了AI絕非無用。從軟體破解到系統攻擊，AI正在以驚人的速度改變世界。對於那些仍認為AI導入太慢或成效不彰的觀點，主持人直言：「是不是你們不會用啊？」他認為，華爾街並非看不懂這些趨勢，只是反應較慢，一旦市場發現股價跌不下去，他們就會「突然又懂了」。

美債殖利率5%的合理性：告別零利率時代，以經濟成長與通膨重新定錨

針對近期美國長天期公債殖利率觸及5%引發的市場恐慌，主持人分享了一個非主流的觀點。該觀點認為，若美國未來的實質經濟成長率維持在2%，而通膨長期處於3%（而非聯準會目標的2%），則名目經濟成長率將達5%至6%。在此情況下，5%的公債殖利率不僅合理，甚至可說是反映了資金應有的基本價值。

回顧歷史，過去十年（2016-2026）堪稱債券市場兩百年來最糟糕的時期，主因是利率從接近零大幅攀升至5%。若未來債券要繼續虧損，美國十年期公債殖利率恐需在未來五到七年內飆升至14%至15%，這在經濟結構上極難發生。因此，與其將過去十年的零利率視為常態，不如說當前的利率水準更接近歷史的長期平均值。

該觀點進一步指出，過去美國能享受低通膨，很大程度得益於中國加入WTO後帶來的廉價商品紅利。如今在關稅壁壘與政治考量下，商品通縮的時代已一去不復返。為了保護本土製造業，美國兩黨均無意走回自由貿易的老路，這意味著商品價格將長期維持正成長。若通膨錨定在3%，5%的債券殖利率便不足為奇，投資人無需過度驚慌。

從中國紅利消失到信用利差：解構通膨3%與CoreWeave的15%公司債

深入探討通膨前景時，主持人引述觀點指出，2001年至2020年間，美國商品價格平均每年下跌0.5%，有效抵消了服務價格的上漲，壓低了整體通膨。然而，這種依靠中國廉價商品輸出的模式，伴隨著製造業外移的巨大代價。如今在「去風險化」與政治壓力下，無論是民主黨還是共和黨，都不願再走回依賴中國的老路，這使得商品價格難以重現過去二十年的通縮趨勢。

關於近期引發市場動盪的CoreWeave公司債，其殖利率在二級市場飆升至15%。主持人分析，這主要是因為該公司屬於新興的AI基礎設施業者，市場對其信任度不足，加上債券遭到拋售所致。然而，觀察美國整體信用市場，信用利差擴大的情況主要集中在CCC等級的較差公司，B級與BB級債券的利差並未顯著惡化。這顯示目前的壓力仍屬於個別公司的信用問題，尚未全面擴散為系統性風險。

綜合來看，若未來通膨長期維持在3%而經濟成長達2%，5%的公債殖利率便成為市場的新常態。投資人不應以過去零利率的「異常」狀態來評判當前的「正常」水準。正如主持人所言：「你覺得2008年好嗎？過去不一定是美好的，只是那個是你習慣的。」

AI泡沫的歷史定位：是1997年的非理性繁榮，還是2000年的崩盤前夕？

在討論AI泡沫時，主持人引用了網路泡沫時期的「非理性繁榮」作為對照。1996年底，時任聯準會主席葛林斯潘提出此說法時，那斯達克指數約在1100點，隨後一路飆升至2000年的5100點。即使後來泡沫破裂，指數在2002年觸底時，仍高於當初提出警告時的水準。這引發了一個關鍵問題：當前的AI發展，究竟比較像1997年（仍有巨大上漲空間），還是2000年（即將泡沫破裂）？

主持人傾向於認為，目前市場尚未陷入「全民瘋狂」的階段。市場上同時存在對算力不足的焦慮與對資料中心建設困難的質疑，這種「有來有往」的拉鋸，顯示市場並未過度樂觀。此外，AI有一個被嚴重低估的用途：作為私人家教。主持人舉例，有人透過AI在一個週末內，從完全不懂Linux到成功架設出一套家用監視系統，這顯示AI在知識傳遞與實作上的潛力遠超想像。

這種「從做中學」的模式，讓使用者在解決問題的同時，順便學會了電腦知識。這不僅是工具性的使用，更是一種深度的學習革命。若AI能持續在這種微觀層面創造價值，其宏觀經濟的支撐力將比單純的算力租賃更為堅實，這或許意味著當前的AI浪潮更接近1997年的蓄勢待發，而非2000年的泡沫頂峰。

告別Google搜尋：用ChatGPT語音互動，從「電腦變慢」展開的知識探索

主持人分享了利用AI學習的第一個技巧：從問題出發，並在AI的回答中產生新的好奇心。他以「電腦變慢」這個常見痛點為例，對比了新舊兩種解決路徑。過去，人們會上Google搜尋，在PTT或論壇中尋找解法，一個一個嘗試，即使電腦最後變快了，往往仍不清楚根本原因。

新的方法是直接打開ChatGPT的語音功能，告訴它：「我的電腦變慢了，可不可以帶我一步一步找出原因，順便教我一些基本知識？」當AI指示打開工作管理員，發現CPU使用率僅18%而記憶體卻高達90%時，好奇心便會被觸發。使用者可以立刻追問：「為什麼CPU沒在動，電腦還是這麼慢？CPU跟記憶體到底有什麼差別？」這種漫無目的的探索，讓學習者從解決一個小問題，延伸到了解CPU、記憶體、SSD甚至作業系統的運作原理。

主持人特別推薦ChatGPT的語音互動與整合能力，認為其無需擔心上下文（Context）管理的特性，優於其他需要手動壓縮記憶的工具。即使AI一開始給出又臭又長的回答，只要要求它「講少一點，一次只教一個步驟」，它就能成為極具耐心的個人導師。這種學習方式，讓知識在解決真實問題的過程中自然內化。

AI學習心法：要求AI「講人話」、用哈利波特比喻Linux，克服閱讀障礙

第二個關鍵技巧是：當AI講的內容聽不懂時，要求它換個方式解釋。主持人指出，使用者可以毫無顧忌地對AI說：「把我當成國小五年級來解釋」，或是「假設我是中學生」。如果覺得比喻不好，甚至可以指定用自己熟悉的領域來類比。例如，有人用哈利波特的霍格華茲學院來比喻Linux的各個發行版，讓原本陌生的概念瞬間變得容易理解。

對於有閱讀障礙或不擅長閱讀長文的學習者，AI也能提供極大幫助。與其強迫自己閱讀艱澀的文字，不如直接要求AI：「畫個流程圖給我看」，或是「做一個互動式網頁來教我」。雖然ChatGPT在生成互動式網頁方面可能有限制，但透過Cloud Code等工具，AI已經能夠快速產生拖拉式的互動教材，讓學習變得更加直觀。

主持人強調，AI的耐心是無限的，學習者可以不斷要求它「換個方式重講」，直到真正聽懂為止。這種「聽不懂就問到懂」的過程，遠比在網路上漫無目的地搜尋更有意義。透過這種方式，學習者不僅解決了眼前的問題，更在不知不覺中累積了跨領域的知識，甚至可能應用到投資決策上。

AI辯論法與輸出練習：讓正反方吵架，打破認知偏誤的終極學習術

第三個進階技巧是「輸出練習」與「辯論法」。主持人指出，很多時候我們以為自己聽懂了，但其實理解與事實有差距。為了避免這種「知識幻覺」，學習者應該在學完一個概念後，試著用自己的話解釋一遍，再請AI糾正。例如，解釋完CPU與記憶體的關係後，可以問AI：「我這個說法有沒有問題？」AI會立刻指出認知上的偏誤。

另一個極具啟發性的方法是讓AI模擬正反方辯論。無論是對於公債殖利率的看法，或是政治人物的立場差異，使用者可以要求AI：「派兩個角色出來針對這件事辯論」。在雙方攻防的過程中，觀看者能快速理解不同立場的核心理由，避免陷入只抓著對方弱點打的同溫層。這種被稱為「Steel Man」的方法，能幫助投資人更全面地評估風險與機會。

不過，主持人也提醒要留意AI的「幻覺」風險，特別是在模擬真實人物時，AI生成的內容未必是本人的真實意圖。儘管如此，這種「先輸入後輸出」的學習迴圈，能有效將知識內化。與其每次都直接請AI幫忙解決問題，不如多花一點時間探究「為什麼」，長期下來將累積出AI無法取代的決策力與組織能力。

AI輔助投資實戰：從Cloud Code分支管理到FRED報告追蹤的高效工作流

主持人分享了自己近期在AI工具使用上的習慣轉變。他從原本偏好在CLI（命令列介面）操作Cloud Code，轉向更依賴桌面應用程式。關鍵在於應用程式在複製格式、管理分支（Branch）與上下文（Context）上的進步。他發展出一套獨特的工作流：先與ChatGPT討論需求，產生完美的Prompt（提示詞），再將Prompt丟給Cloud Code的工程組執行。

為了避免Context Window（上下文視窗）耗盡，他要求Cloud Code在接收任務時「派一個分支」去執行。這樣一來，主要的Session只負責派工與追蹤進度，實際消耗Token的繁瑣工作都在子Session中完成。這使得他能在100萬Token的限制內，管理極度龐大且複雜的專案，例如擁有七十多個步驟的台股收盤觀察報告。

在市場追蹤方面，主持人也將這套流程應用於閱讀FRED報告。他不再從頭到尾閱讀，而是將報告內容貼給具備上下文的ChatGPT，讓AI自動比對前後週的數據差異，甚至上網查證潛在的錯誤。這大幅節省了每天半小時以上的閱讀時間，讓他能將稀缺的專注力保留給最終的投資決策，而非繁瑣的資料核對。

市場下跌時的投資組合調整：控制曝險，趁恐慌建倉優質資產

面對近期的市場下跌與悲觀氣氛，主持人分享了其應對策略。他認為，雖然回檔令人痛苦，但基本面其實並不差。許多公司如SpaceX或Lam Research等，若在市場氣氛好時公布同樣的消息，股價早就「隨便講一個都會噴」。然而，正因為市場情緒低迷，反而提供了調整投資組合的良機。

主持人透露，他不會過度在意帳面上的套牢幅度，而是專注於「在當下這個價位，什麼是最棒的投資組合」。他會趁下跌時，將資金調往那些之前買不起或更具潛力的標的。關鍵在於控制整體曝險金額不變，但將組合調整為更具攻擊性或防禦性的配置。他認為，與其期待套牢40%的股票漲回原點（那僅是從賠錢變成沒賠），不如換到更有信心的部位。

這種「先決定曝險，再決定組合」的策略，讓他能保持心態平穩。他提醒，投資人的注意力與思考空間就如同AI的Context Window，是極其稀缺的資源。與其每天盯著漲跌，不如將繁瑣的追蹤工作外包給AI，將心力保留給真正重要的決策。只要撐過這段下跌時刻，專注於資產的長期價值，就能在市場恐慌中保持從容。

結論

在市場對AI泡沫與美債殖利率感到恐慌之際，投資人更應回歸理性分析。無論是算力崩盤可能帶來的應用普及，或是5%殖利率在當前經濟結構下的合理性，都顯示危機往往伴隨著轉機。更重要的是，AI不僅是投資賽道，更是提升個人認知與決策品質的強大工具。透過好奇心驅動的學習與有效的工具管理，投資人能在動盪的市場中，將注意力從雜訊中解放，專注於長期價值的創造。